首先了解一下SVM是干什么的，SVM用来分类样本的。SVM的目标是寻找到一个最佳的超平面使得（超平面可能有很多，最佳超平面和支持向量之间的间隔最可能大）。划分超平面可以通过线性方程来描述：

$$ w^Tx+b = 0 $$

$w=(w_1;w_2;...;w_d)$为法向量，决定了超平面的方向，$b$为位移项，据定了超平面与原点之间的距离，$w,b$是确定超平面的两个唯一的重要因素，记为$(w,b)$，样本空间中任意点$x$到超平面$(w,b)$的距离可写为：

$$ r = \frac{|w^Tx+b|}{||w||} $$

假设超平面$(w,b)$能够训练样本正确分类，即对于$(x_i, y_i) \in D$，若$y_i = +1$，则有$w^Tx_i+b>0$；若$y_i=-1$，则有$w^Tx_i+b<0$，根据切比雪夫不等于，我们一定可以找到一个$\epsilon$ 满足$w^Tx_i+b≤\epsilon<0$,$\epsilon＜0$

$$ w^Tx_i+b≤\epsilon<0 $$ $$ 两边同时除以-\epsilon, \frac{-w^Tx_i}{-\epsilon}-\frac{b}{\epsilon}≤-1$$ $$ w^Tx_i+b≤-1， y_i=-1 （1）$$ $$同理，w^Tx_i+b≥+1， y_i=+1（2）$$

距离超平面最近的这几个样本点使得（1）（2）成立，它们被称为“支持向量”(support vector)，两个异类支持向量到超平面的距离之和为$\gamma$，$\gamma$也被称为“间隔”(margin)

$$\gamma = \frac{2}{||w||}=\frac{1}{||w||}+\frac{1}{||w||}$$